urllib庫的基本使用 所謂網(wǎng)頁抓取，就是把URL地址中指定的網(wǎng)絡(luò)資源從網(wǎng)絡(luò)流中讀取出來，保存到本地

urllib庫是python內(nèi)置的HTTP請求庫，直接可以使用,包含如下三個模塊:

• request: 它是最基本的HTTP請求模塊，可以用來模擬發(fā)送請求，就像在瀏覽器中輸入網(wǎng)址，然后敲擊回車鍵一樣，使用的時候只需要給庫方法傳入相關(guān)的URL和相關(guān)的參數(shù)即可．
• error: 異常處理模塊，如果出現(xiàn)請求錯誤，我們可以使用這個模塊來捕獲異常，然后進(jìn)行重試或者其他操作，保證程序不會意外終止．
• parse: 這是一個工具模塊，提供了許多url的處理方法，比如拆分,解析,合并等等.

發(fā)送請求

使用request模塊,可以方便的實現(xiàn)請求的發(fā)送并且的得到響應(yīng).

(1) urlopen()

觀察如下代碼：

#本人用的是vscode編輯器
# urllib_request.py
# 導(dǎo)入urllib.request庫
import urllib.request
# 向指定的url發(fā)送請求，并返回服務(wù)器響應(yīng)的類文件對象
response = urllib.request.urlopen("http://www.baidu.com")
print(type(response))
# 類文件對象支持文件對象的操作方法，如read()方法讀取文件全部內(nèi)容，返回字符串
html = response.read()
# 打印字符串
print (html)
# 打印狀態(tài)碼
print (response.status)
# 獲取響應(yīng)頭
print (response.getheaders())
# 獲取響應(yīng)頭信息
print (response.getheader('Server'))
# 獲取原因
print (response.reason)

執(zhí)行python代碼，將打印結(jié)果

python urllib_request.py

你會發(fā)現(xiàn)輸出的結(jié)果跟我們在瀏覽器上打開百度"查看源代碼"內(nèi)容一模一樣，也就是說，上面的幾行代碼就已經(jīng)幫我們把百度的首頁的全部代碼爬了下來。

利用最基本的urlopen()方法可以完成最基本的簡單網(wǎng)頁GET請求抓取，如下常用的幾個參數(shù):

• url:設(shè)置目標(biāo)url
• data:如果設(shè)置該參數(shù)，則請求默認(rèn)為post請求
• timeout：用于設(shè)置超時時間，單位為秒
• context：　必須是一個ssl.SSLContext類型,用來指定SSL設(shè)置,忽略未認(rèn)證的CA證書．

Request

在我們第一個例子里，urlopen()的參數(shù)就是一個url地址；

但是如果需要執(zhí)行更復(fù)雜的操作，比如增加HTTP報頭，必須創(chuàng)建一個 Request 實例來作為urlopen()的參數(shù)；而需要訪問的url地址則作為 Request 實例的參數(shù)。

• 我們編輯urllib_request.py

# urllib_request.py
import urllib.request
# url 作為Request()方法的參數(shù)，構(gòu)造并返回一個Request對象
request = urllib.request.Request("http://www.baidu.com")
# Request對象作為urlopen()方法的參數(shù)，發(fā)送給服務(wù)器并接收響應(yīng)
response = urllib.request.urlopen(request)
html = response.read().decode()
print (html)

運(yùn)行結(jié)果是完全一樣的： 新建Request實例，除了必須要有 url 參數(shù)之外，還可以設(shè)置另外兩個參數(shù)：

• data（默認(rèn)空）：是伴隨 url 提交的數(shù)據(jù)（比如要post的數(shù)據(jù)），同時 HTTP 請求將從 "GET"方式 改為 "POST"方式。
• headers（默認(rèn)空）：是一個字典，包含了需要發(fā)送的HTTP報頭的鍵值對。

User-Agent

• 但是這樣直接用urllib給一個網(wǎng)站發(fā)送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以一個路人的身份直接闖進(jìn)去顯然不是很禮貌。而且有一些站點不喜歡被程序（非人為訪問）訪問，有可能會拒絕你的訪問請求。
  但是如果我們用一個合法的身份去請求別人網(wǎng)站，顯然人家就是歡迎的，所以我們就應(yīng)該給我們的這個代碼加上一個身份，就是所謂的User-Agent頭。

瀏覽器 就是互聯(lián)網(wǎng)世界上公認(rèn)被允許的身份，如果我們希望我們的爬蟲程序更像一個真實用戶，那我們第一步，就是需要偽裝成一個被公認(rèn)的瀏覽器。用不同的瀏覽器在發(fā)送請求的時候，會有不同的User-Agent頭。 urllib默認(rèn)的User-Agent頭為：Python-urllib/x.y（x和y是Python主版本和次版本號,例如 Python-urllib/3.5）

#urllib_request.py
import urllib.request
url = "http://www.itcast.cn"
#IE 9.0 的 User-Agent，包含在 ua_header里
ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
#  url 連同 headers，一起構(gòu)造Request請求，這個請求將附帶 IE9.0 瀏覽器的User-Agent
request = urllib.request.Request(url, headers = ua_header)
# 向服務(wù)器發(fā)送這個請求
response = urllib.request.urlopen(request)
html = response.read()
print (html)

添加更多的Header信息

在 HTTP Request 中加入特定的 Header，來構(gòu)造一個完整的HTTP請求消息。

• 可以通過調(diào)用Request.add_header() 添加/修改一個特定的header
• 也可以通過調(diào)用Request.get_header()來查看已有的header。

添加一個特定的header

# urllib_headers.py
import urllib.request
url = "http://www.itcast.cn"
#IE 9.0 的 User-Agent
header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
request = urllib.request.Request(url, headers=header)
#也可以通過調(diào)用Request.add_header() 添加/修改一個特定的header
request.add_header("Connection", "keep-alive")
# 也可以通過調(diào)用Request.get_header()來查看header信息
# request.get_header(header_name="Connection")
response = urllib.request.urlopen(request)
print (response.code) #可以查看響應(yīng)狀態(tài)碼
html = response.read().decode()
print (html)